如何删除R中第n个分隔符后的所有内容？

Question

我有这个矢量myvec。我想在秒后删除所有内容：'并获得结果。如何在nth'：'后删除字符串？

myvec<- c("chr2:213403244:213403244:G:T:snp","chr7:55240586:55240586:T:G:snp" ,"chr7:55241607:55241607:C:G:snp") 

result 
chr2:213403244 
chr7:55240586 
chr7:55241607 

Answer 1

我们可以使用sub。我们匹配一个或多个不是:的字符（^([^:]+），然后是:，然后是一个不是:（[^:]+）的字符，将它放在捕获组中，即括号内。我们用替换中的捕获组（\\1）替换。

sub('^([^:]+:[^:]+).*', '\\1', myvec) 
#[1] "chr2:213403244" "chr7:55240586" "chr7:55241607" 

上面的例子发布的作品。对于一般情况下，第n个分隔符后取出，

n <- 2 
pat <- paste0('^([^:]+(?::[^:]+){',n-1,'}).*') 
sub(pat, '\\1', myvec) 
#[1] "chr2:213403244" "chr7:55240586" "chr7:55241607" 

检查有不同的 'N'

n <- 3 

，并重复同样的步骤

sub(pat, '\\1', myvec) 
#[1] "chr2:213403244:213403244" "chr7:55240586:55240586" 
#[3] "chr7:55241607:55241607" 

---

或者另一种选择被拆分为:，然后再将paste这n个组件组合在一起。

n <- 2 
vapply(strsplit(myvec, ':'), function(x) 
      paste(x[seq.int(n)], collapse=':'), character(1L)) 
#[1] "chr2:213403244" "chr7:55240586" "chr7:55241607" 

Answer 2

以下是几种选择。在我们删除第k个冒号后面的所有内容。问题中的示例将对应于k = 2。在下面的示例中，我们使用k = 3。

1）read.table将数据读入数据。帧，挑出所需的列和它一起再次粘贴回：

k <- 3 # keep first 3 fields only 
do.call(paste, c(read.table(text = myvec, sep = ":")[1:k], sep = ":")) 

，并提供：

[1] "chr2:213403244:213403244" "chr7:55240586:55240586" 
[3] "chr7:55241607:55241607" 

2）的sprintf /子构建在K以下相等的情况下，适当的正则表达式（ 3这将是^((.*?:){2}.*?):.*），并与sub使用它：

k <- 3 
sub(sprintf("^((.*?:){%d}.*?):.*", k-1), "\\1", myvec) 

捐赠：

[1] "chr2:213403244:213403244" "chr7:55240586:55240586" 
[3] "chr7:55241607:55241607" 

注1：对于k = 1这可以进一步简化为sub(":.*", "", myvec)和对于k = n-1个也可以是进一步简化为sub(":[^:]*$", "", myvec)

注2：这里是一个可视化

^((.*?:){2}.*?):.* 

：正规正则表达式 k等于3的

Debuggex Demo

3）反复删除最后一个字段我们可以使用注意事项1，最后的正则表达式中删除最后一个字段n-k倍以上这样的：

n <- 6 # number of fields 
k < - 3 # number of fields to retain 
out <- myvec 
for(i in seq_len(n-k)) out <- sub(":[^:]*$", "", out) 

如果我们希望以设定n自动我们可以有选择地用上述替代上面的硬编码线设置n：

n <- count.fields(textConnection(myvec[1]), sep = ":") 

4）找到第k个冒号的位置使用gregexpr找到冒号的位置，然后从中提取第k个位置，因为我们不需要尾随冒号。使用substr从各个字符串中提取许多字符。

k <- 3 
substr(myvec, 1, sapply(gregexpr(":", myvec), "[", k) - 1) 

，并提供：

[1] "chr2:213403244:213403244" "chr7:55240586:55240586" 
[3] "chr7:55241607:55241607" 

注3：假设有N个字段。该问题要求删除第k个分隔符后面的所有内容，以便解决方案适用于k = 1,2，...，n-1。它不需要为k = n工作，因为没有n个分隔符;然而，如果我们将k定义为要返回的字段数，那么k = n是合理的，事实上，（1）和（3）也适用于这种情况。 （2）和（4）不适用于此扩展，但我们可以通过使用paste0(myvec, ":")而不是myvec来轻松地使它们工作。

注4：我们比较性能：

library(rbenchmark) 
benchmark(
.read.table = do.call(paste, c(read.table(text = myvec, sep = ":")[1:k], sep = ":")), 
.sprintf.sub = sub(sprintf("^((.*?:){%d}.*?):.*", k-1), "\\1", myvec), 
.for = { out <- myvec; for(i in seq_len(n-k)) out <- sub(":[^:]*$", "", out)}, 
.gregexpr = substr(myvec, 1, sapply(gregexpr(":", myvec), "[", k) - 1), 
    order = "elapsed", replications = 1000)[1:4] 

，并提供：

  test replications elapsed relative 
2 .sprintf.sub   1000 0.11 1.000 
4 .gregexpr   1000 0.14 1.273 
3   .for   1000 0.15 1.364 
1 .read.table   1000 2.16 19.636 

使用sprintf和子的解决方案是最快的，虽然它使用一个复杂的正则表达式，而其他人使用简单或没有正则表达式，并可能因简单性而被优选。

ADDED增加了额外的解决方案和附加注释。